人体检测是研究如何让计算机以人的思维方式从图像或视频中找出人体对象所在区域的技术。它可广泛应用于国防、公安、电子游戏领域等等。基于分类的人体检测要经过一系列步骤。首先,以不同尺寸的检测窗口对输入图像进行逐行扫描;第二步,对检测窗口进行分类;最后,一般地,检测中多个检出结果对应同一个人体对象,因此必须将这些检出结果进行融合得到最终检测结果。分类器的好坏与所选择的特征和分类器训练紧密相关。图像中可选择的特征非常丰富,包括颜色,亮度,以及一些局部图像特征等等。由于图像中的人体对象的亮度和颜色千变万化,因此人体检测中最适合的特征是能够反映人体轮廓的方向梯度直方图特征。它的提取过程包括颜色空间标准化,梯度计算,方向和空间上的投影,以及对重叠块的高质量标准化。影响分类器效果的另一个因素是分类算法,支持向量机作为一个二值的分类器,使用简便,因此应用广泛。利用这两种因素可以实现基于方向梯度直方图和支持向量机的人体检测算法。提取特征中,当有大量重复的区域需要计算时,可以采用积分方式求取方向梯度直方图特征。积分方式能够大大缩短特征提取的时间,并且规避特征空间无法获得全局图像信息的缺点。分类算法还可以采用级联方式,将若干层支持向量机串联,在检测时可以大大加快特征匹配的速度,但训练分类器的时间和计算量也会增加。结果融合有多种方法,其中非最大化收敛算法通过将检出结果映射到三维空间上,并进行结果密度评估可以找到这些结果中的最优解,使得检测结果明确清晰,是一种有效的融合算法。基于方向梯度直方图特征的人体检测算法能够检测出复杂背景下不同姿势的直立人体;而基于积分方向梯度直方图特征和级联框架的的人体检测算法在保持检测准确度的基础上加快了特征提取和分类的速度,使得检测效果更加具有实时性。